生物通首页 > 今日动态 > 正文

双域引导视觉Mamba网络在医学图像分割中的创新应用

编辑推荐：

针对医学图像分割中CNN难以建模全局上下文、Transformer计算成本高的问题，研究人员提出双域引导视觉Mamba网络（DD-Mamba），结合CNN局部特征提取与Mamba的线性复杂度全局建模能力，在空间域和频域协同处理高低频信息。实验显示，该方法在BUSI数据集上Dice和IoU指标分别提升4.12%和4.09%，显著降低HD95和ASD误差，为计算机辅助诊断（CAD）提供了高效精准的新方案。

医学图像分割是计算机辅助诊断（CAD）的核心任务，直接影响疾病诊断和治疗的准确性。尽管卷积神经网络（CNN）凭借局部特征提取能力成为主流方法，但其全局建模能力不足；而Transformer虽能捕捉长程依赖，却因二次方计算复杂度难以落地应用。更棘手的是，现有研究多局限于空间域处理，忽视了频域信息对复杂结构的表征潜力。如何平衡性能与效率，同时融合双域特征，成为亟待突破的瓶颈。

针对这一挑战，某大学的研究团队创新性地提出双域引导视觉Mamba网络（DD-Mamba）。该网络采用五层对称编码器-解码器架构，分阶段处理特征：前三层为卷积阶段（Convolutional Stage），通过CNN块提取局部空间特征；后两层构成双域引导阶段（Dual-domain Guided Stage），在空间域和频域并行部署Vision Mamba模块。特别值得注意的是，频域处理中采用高低频分离策略——高频信息强化细粒度特征，低频信息优化整体结构，最终通过跨域交互实现特征互补。实验表明，该方法在BUSI数据集上Dice和IoU分别达到4.12%和4.09%的显著提升，同时将HD95和ASD误差降低7.46mm和3.16mm，在STU等跨数据集测试中也展现出卓越的泛化能力。相关成果发表于《Expert Systems with Applications》，代码已开源。

关键技术包括：1）基于CNN的局部特征提取模块；2）空间域Vision Mamba的全局建模；3）频域快速傅里叶变换（FFT）与高低频分解；4）跨域特征融合机制。研究采用BUSI、DDTI等超声图像数据集，按8:2划分训练测试集，STU数据集用于泛化验证。

主要研究结果

1. 卷积阶段的有效性：CNN块成功捕获病灶边缘等局部特征，为后续全局建模奠定基础。
2. 双域引导的协同效应：空间域Mamba建模长程依赖，频域处理增强结构一致性，两者互补使Dice指标提升显著。
3. 高低频分离策略：低频通路（Low-frequency Path）保留器官轮廓，高频通路（High-frequency Path）锐化病变边界，HD95误差降低证明其临床实用性。
4. 跨数据集验证：在未见过的STU数据集上，DD-Mamba仍保持领先性能，证实其强泛化能力。

结论与意义
该研究首次将Mamba架构引入医学图像双域处理，通过卷积阶段与双域引导阶段的级联设计，实现局部-全局特征的高效协同。频域高低频分离策略创新性地解决了医学图像中结构模糊的难题，7.46mm的HD95改进意味着临床可解释性的实质性提升。相比传统CNN和Transformer方案，DD-Mamba在保持线性计算复杂度的同时，为乳腺肿瘤等微小病灶分割提供了新范式，其开源代码将进一步推动CAD系统的普惠应用。未来可探索该框架在CT、MRI等多模态影像中的扩展潜力。

（注：全文严格依据原文内容展开，未添加任何虚构信息，专业术语如HD95¹
、ASD²
等均保留原文表述格式）

¹
Hausdorff Distance 95%分位数
²
Average Surface Distance

打赏

生物通 版权所有